Comment faire pivoter un dataframe?

Nov 07 2017
  • Qu'est-ce que le pivot?
  • Comment puis-je pivoter?
  • Est-ce un pivot?
  • Format long au format large?

J'ai vu beaucoup de questions sur les tableaux croisés dynamiques. Même s'ils ne savent pas qu'ils posent des questions sur les tableaux croisés dynamiques, ils le sont généralement. Il est pratiquement impossible d'écrire une question et une réponse canoniques qui englobe tous les aspects du pivotement ...

... Mais je vais essayer.


Le problème avec les questions et réponses existantes est que souvent la question est centrée sur une nuance que le PO a du mal à généraliser afin d'utiliser un certain nombre des bonnes réponses existantes. Cependant, aucune des réponses ne tente de donner une explication complète (car c'est une tâche ardue)

Regardez quelques exemples de ma recherche Google

  1. Comment faire pivoter un dataframe dans Pandas?
  • Bonne question et réponse. Mais la réponse ne répond qu'à la question spécifique avec peu d'explications.
  1. tableau croisé dynamique pandas en bloc de données
  • Dans cette question, l'OP est concerné par la sortie du pivot. À savoir à quoi ressemblent les colonnes. OP voulait que cela ressemble à R. Ce n'est pas très utile pour les utilisateurs de pandas.
  1. pandas faisant pivoter un dataframe, lignes en double
  • Une autre question décente mais la réponse se concentre sur une méthode, à savoir pd.DataFrame.pivot

Ainsi, chaque fois que quelqu'un cherche, pivotil obtient des résultats sporadiques qui ne répondront probablement pas à sa question spécifique.


Installer

Vous remarquerez peut-être que j'ai clairement nommé mes colonnes et les valeurs de colonne pertinentes pour correspondre à la façon dont je vais pivoter dans les réponses ci-dessous.

import numpy as np
import pandas as pd
from numpy.core.defchararray import add

np.random.seed([3,1415])
n = 20

cols = np.array(['key', 'row', 'item', 'col'])
arr1 = (np.random.randint(5, size=(n, 4)) // [2, 1, 2, 1]).astype(str)

df = pd.DataFrame(
    add(cols, arr1), columns=cols
).join(
    pd.DataFrame(np.random.rand(n, 2).round(2)).add_prefix('val')
)
print(df)

     key   row   item   col  val0  val1
0   key0  row3  item1  col3  0.81  0.04
1   key1  row2  item1  col2  0.44  0.07
2   key1  row0  item1  col0  0.77  0.01
3   key0  row4  item0  col2  0.15  0.59
4   key1  row0  item2  col1  0.81  0.64
5   key1  row2  item2  col4  0.13  0.88
6   key2  row4  item1  col3  0.88  0.39
7   key1  row4  item1  col1  0.10  0.07
8   key1  row0  item2  col4  0.65  0.02
9   key1  row2  item0  col2  0.35  0.61
10  key2  row0  item2  col1  0.40  0.85
11  key2  row4  item1  col2  0.64  0.25
12  key0  row2  item2  col3  0.50  0.44
13  key0  row4  item1  col4  0.24  0.46
14  key1  row3  item2  col3  0.28  0.11
15  key0  row3  item1  col1  0.31  0.23
16  key0  row0  item2  col3  0.86  0.01
17  key0  row4  item0  col3  0.64  0.21
18  key2  row2  item2  col0  0.13  0.45
19  key0  row2  item0  col4  0.37  0.70

Des questions)

  1. Pourquoi ai-je ValueError: Index contains duplicate entries, cannot reshape

  2. Comment puis-je faire pivoter de dfsorte que les colvaleurs soient des colonnes, les rowvaleurs sont l'index et la moyenne des val0valeurs?

     col   col0   col1   col2   col3  col4
     row                                  
     row0  0.77  0.605    NaN  0.860  0.65
     row2  0.13    NaN  0.395  0.500  0.25
     row3   NaN  0.310    NaN  0.545   NaN
     row4   NaN  0.100  0.395  0.760  0.24
    
  3. Comment puis-je pivoter de dfsorte que les colvaleurs soient des colonnes, les rowvaleurs sont l'index, la moyenne des val0valeurs et les valeurs manquantes 0?

     col   col0   col1   col2   col3  col4
     row                                  
     row0  0.77  0.605  0.000  0.860  0.65
     row2  0.13  0.000  0.395  0.500  0.25
     row3  0.00  0.310  0.000  0.545  0.00
     row4  0.00  0.100  0.395  0.760  0.24
    
  4. Puis-je obtenir autre chose que mean, comme peut sum- être ?

     col   col0  col1  col2  col3  col4
     row                               
     row0  0.77  1.21  0.00  0.86  0.65
     row2  0.13  0.00  0.79  0.50  0.50
     row3  0.00  0.31  0.00  1.09  0.00
     row4  0.00  0.10  0.79  1.52  0.24
    
  5. Puis-je faire plus d'une agrégation à la fois?

            sum                          mean                           
     col   col0  col1  col2  col3  col4  col0   col1   col2   col3  col4
     row                                                                
     row0  0.77  1.21  0.00  0.86  0.65  0.77  0.605  0.000  0.860  0.65
     row2  0.13  0.00  0.79  0.50  0.50  0.13  0.000  0.395  0.500  0.25
     row3  0.00  0.31  0.00  1.09  0.00  0.00  0.310  0.000  0.545  0.00
     row4  0.00  0.10  0.79  1.52  0.24  0.00  0.100  0.395  0.760  0.24
    
  6. Puis-je agréger plusieurs colonnes de valeurs?

           val0                             val1                          
     col   col0   col1   col2   col3  col4  col0   col1  col2   col3  col4
     row                                                                  
     row0  0.77  0.605  0.000  0.860  0.65  0.01  0.745  0.00  0.010  0.02
     row2  0.13  0.000  0.395  0.500  0.25  0.45  0.000  0.34  0.440  0.79
     row3  0.00  0.310  0.000  0.545  0.00  0.00  0.230  0.00  0.075  0.00
     row4  0.00  0.100  0.395  0.760  0.24  0.00  0.070  0.42  0.300  0.46
    
  7. Peut subdiviser par plusieurs colonnes?

     item item0             item1                         item2                   
     col   col2  col3  col4  col0  col1  col2  col3  col4  col0   col1  col3  col4
     row                                                                          
     row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.605  0.86  0.65
     row2  0.35  0.00  0.37  0.00  0.00  0.44  0.00  0.00  0.13  0.000  0.50  0.13
     row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.000  0.28  0.00
     row4  0.15  0.64  0.00  0.00  0.10  0.64  0.88  0.24  0.00  0.000  0.00  0.00
    
  8. Ou

     item      item0             item1                         item2                  
     col        col2  col3  col4  col0  col1  col2  col3  col4  col0  col1  col3  col4
     key  row                                                                         
     key0 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.86  0.00
          row2  0.00  0.00  0.37  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.50  0.00
          row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.00  0.00  0.00
          row4  0.15  0.64  0.00  0.00  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00
     key1 row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.81  0.00  0.65
          row2  0.35  0.00  0.00  0.00  0.00  0.44  0.00  0.00  0.00  0.00  0.00  0.13
          row3  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.28  0.00
          row4  0.00  0.00  0.00  0.00  0.10  0.00  0.00  0.00  0.00  0.00  0.00  0.00
     key2 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.40  0.00  0.00
          row2  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.13  0.00  0.00  0.00
          row4  0.00  0.00  0.00  0.00  0.00  0.64  0.88  0.00  0.00  0.00  0.00  0.00
    
  9. Puis-je agréger la fréquence à laquelle la colonne et les lignes apparaissent ensemble, c'est-à-dire «tabulation croisée»?

     col   col0  col1  col2  col3  col4
     row                               
     row0     1     2     0     1     1
     row2     1     0     2     1     2
     row3     0     1     0     2     0
     row4     0     1     2     2     1
    
  10. Comment convertir un DataFrame de long en large en pivotant sur SEULEMENT deux colonnes? Donné,

    np.random.seed([3, 1415])
    df2 = pd.DataFrame({'A': list('aaaabbbc'), 'B': np.random.choice(15, 8)})        
    df2        
       A   B
    0  a   0
    1  a  11
    2  a   2
    3  a  11
    4  b  10
    5  b  10
    6  b  14
    7  c   7
    

    L'attendu devrait ressembler à quelque chose comme

          a     b    c
    0   0.0  10.0  7.0
    1  11.0  10.0  NaN
    2   2.0  14.0  NaN
    3  11.0   NaN  NaN
    
  11. Comment aplatir l'index multiple en index unique après pivot

    De

       1  2   
       1  1  2        
    a  2  1  1
    b  2  1  0
    c  1  0  0
    

    À

       1|1  2|1  2|2               
    a    2    1    1
    b    2    1    0
    c    1    0    0
    

Réponses

333 piRSquared Nov 07 2017 at 15:00

Nous commençons par répondre à la première question:

question 1

Pourquoi ai-je ValueError: Index contains duplicate entries, cannot reshape

Cela se produit car pandas tente de réindexer un objet columnsou indexavec des entrées en double. Il existe différentes méthodes à utiliser pour effectuer un pivot. Certains d'entre eux ne sont pas bien adaptés lorsqu'il y a des doublons des clés sur lesquelles il est demandé de pivoter. Par exemple. Considérez pd.DataFrame.pivot. Je sais qu'il existe des entrées en double qui partagent les valeurs rowet col:

df.duplicated(['row', 'col']).any()

True

Alors , quand je l' pivotaide

df.pivot(index='row', columns='col', values='val0')

J'obtiens l'erreur mentionnée ci-dessus. En fait, j'obtiens la même erreur lorsque j'essaye d'effectuer la même tâche avec:

df.set_index(['row', 'col'])['val0'].unstack()

Voici une liste d'idiomes que nous pouvons utiliser pour pivoter

  1. pd.DataFrame.groupby + pd.DataFrame.unstack
    • Bonne approche générale pour faire à peu près n'importe quel type de pivot
    • Vous spécifiez toutes les colonnes qui constitueront les niveaux de ligne pivotés et les niveaux de colonne dans un groupe par. Vous suivez cela en sélectionnant les colonnes restantes que vous souhaitez agréger et la ou les fonctions que vous souhaitez effectuer l'agrégation. Enfin, vous unstackdéfinissez les niveaux que vous souhaitez placer dans l'index de la colonne.
  2. pd.DataFrame.pivot_table
    • Une version glorifiée de groupbyavec une API plus intuitive. Pour de nombreuses personnes, c'est l'approche préférée. Et c'est l'approche prévue par les développeurs.
    • Spécifiez le niveau de ligne, les niveaux de colonne, les valeurs à agréger et la ou les fonctions pour effectuer des agrégations.
  3. pd.DataFrame.set_index + pd.DataFrame.unstack
    • Pratique et intuitif pour certains (moi y compris). Impossible de gérer les clés groupées en double.
    • Similaire au groupbyparadigme, nous spécifions toutes les colonnes qui seront éventuellement des niveaux de ligne ou de colonne et définissons celles-ci comme index. Nous avons ensuite unstackles niveaux que nous voulons dans les colonnes. Si les niveaux d'index restants ou les niveaux de colonne ne sont pas uniques, cette méthode échouera.
  4. pd.DataFrame.pivot
    • Très similaire à set_indexen ce qu'il partage la limitation de la clé en double. L'API est également très limitée. Il ne prend que des valeurs scalaires pour index, columns, values.
    • Similaire à la pivot_tableméthode en ce sens que nous sélectionnons des lignes, des colonnes et des valeurs sur lesquelles pivoter. Cependant, nous ne pouvons pas agréger et si les lignes ou les colonnes ne sont pas uniques, cette méthode échouera.
  5. pd.crosstab
    • Cette version spécialisée pivot_tableet dans sa forme la plus pure est le moyen le plus intuitif d'effectuer plusieurs tâches.
  6. pd.factorize + np.bincount
    • C'est une technique très avancée qui est très obscure mais qui est très rapide. Il ne peut pas être utilisé dans toutes les circonstances, mais lorsqu'il peut être utilisé et que vous êtes à l'aise de l'utiliser, vous en récolterez les fruits.
  7. pd.get_dummies + pd.DataFrame.dot
    • J'utilise ceci pour effectuer intelligemment des tableaux croisés.

Exemples

Ce que je vais faire pour chaque réponse et question suivantes est d'y répondre en utilisant pd.DataFrame.pivot_table. Ensuite, je fournirai des alternatives pour effectuer la même tâche.

question 3

Comment puis-je pivoter de dfsorte que les colvaleurs soient des colonnes, les rowvaleurs sont l'index, la moyenne des val0valeurs et les valeurs manquantes 0?

  • pd.DataFrame.pivot_table

    • fill_valuen'est pas défini par défaut. J'ai tendance à le définir de manière appropriée. Dans ce cas, je l'ai réglé sur 0. Remarquez que j'ai sauté la question 2 car c'est la même chose que cette réponse sans lefill_value
    • aggfunc='mean'est la valeur par défaut et je n'ai pas eu à le définir. Je l'ai inclus pour être explicite.

      df.pivot_table(
          values='val0', index='row', columns='col',
          fill_value=0, aggfunc='mean')
      
      col   col0   col1   col2   col3  col4
      row                                  
      row0  0.77  0.605  0.000  0.860  0.65
      row2  0.13  0.000  0.395  0.500  0.25
      row3  0.00  0.310  0.000  0.545  0.00
      row4  0.00  0.100  0.395  0.760  0.24
      
  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].mean().unstack(fill_value=0)
    
  • pd.crosstab

    pd.crosstab(
        index=df['row'], columns=df['col'],
        values=df['val0'], aggfunc='mean').fillna(0)
    

Question 4

Puis-je obtenir autre chose que mean, comme peut sum- être ?

  • pd.DataFrame.pivot_table

    df.pivot_table(
        values='val0', index='row', columns='col',
        fill_value=0, aggfunc='sum')
    
    col   col0  col1  col2  col3  col4
    row                               
    row0  0.77  1.21  0.00  0.86  0.65
    row2  0.13  0.00  0.79  0.50  0.50
    row3  0.00  0.31  0.00  1.09  0.00
    row4  0.00  0.10  0.79  1.52  0.24
    
  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].sum().unstack(fill_value=0)
    
  • pd.crosstab

    pd.crosstab(
        index=df['row'], columns=df['col'],
        values=df['val0'], aggfunc='sum').fillna(0)
    

Question 5

Puis-je faire plus d'une agrégation à la fois?

Notez que pour pivot_tableet crosstabj'avais besoin de passer la liste des appelables. D'autre part, groupby.aggest capable de prendre des chaînes pour un nombre limité de fonctions spéciales. groupby.aggaurait également pris les mêmes callables que nous avons passés aux autres, mais il est souvent plus efficace d'exploiter les noms de fonction de chaîne car il y a des gains d'efficacité à gagner.

  • pd.DataFrame.pivot_table

    df.pivot_table(
        values='val0', index='row', columns='col',
        fill_value=0, aggfunc=[np.size, np.mean])
    
         size                      mean                           
    col  col0 col1 col2 col3 col4  col0   col1   col2   col3  col4
    row                                                           
    row0    1    2    0    1    1  0.77  0.605  0.000  0.860  0.65
    row2    1    0    2    1    2  0.13  0.000  0.395  0.500  0.25
    row3    0    1    0    2    0  0.00  0.310  0.000  0.545  0.00
    row4    0    1    2    2    1  0.00  0.100  0.395  0.760  0.24
    
  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].agg(['size', 'mean']).unstack(fill_value=0)
    
  • pd.crosstab

    pd.crosstab(
        index=df['row'], columns=df['col'],
        values=df['val0'], aggfunc=[np.size, np.mean]).fillna(0, downcast='infer')
    

Question 6

Puis-je agréger plusieurs colonnes de valeurs?

  • pd.DataFrame.pivot_tableon passe values=['val0', 'val1']mais on aurait pu laisser ça complètement

    df.pivot_table(
        values=['val0', 'val1'], index='row', columns='col',
        fill_value=0, aggfunc='mean')
    
          val0                             val1                          
    col   col0   col1   col2   col3  col4  col0   col1  col2   col3  col4
    row                                                                  
    row0  0.77  0.605  0.000  0.860  0.65  0.01  0.745  0.00  0.010  0.02
    row2  0.13  0.000  0.395  0.500  0.25  0.45  0.000  0.34  0.440  0.79
    row3  0.00  0.310  0.000  0.545  0.00  0.00  0.230  0.00  0.075  0.00
    row4  0.00  0.100  0.395  0.760  0.24  0.00  0.070  0.42  0.300  0.46
    
  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0', 'val1'].mean().unstack(fill_value=0)
    

Question 7

Peut subdiviser par plusieurs colonnes?

  • pd.DataFrame.pivot_table

    df.pivot_table(
        values='val0', index='row', columns=['item', 'col'],
        fill_value=0, aggfunc='mean')
    
    item item0             item1                         item2                   
    col   col2  col3  col4  col0  col1  col2  col3  col4  col0   col1  col3  col4
    row                                                                          
    row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.605  0.86  0.65
    row2  0.35  0.00  0.37  0.00  0.00  0.44  0.00  0.00  0.13  0.000  0.50  0.13
    row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.000  0.28  0.00
    row4  0.15  0.64  0.00  0.00  0.10  0.64  0.88  0.24  0.00  0.000  0.00  0.00
    
  • pd.DataFrame.groupby

    df.groupby(
        ['row', 'item', 'col']
    )['val0'].mean().unstack(['item', 'col']).fillna(0).sort_index(1)
    

Question 8

Peut subdiviser par plusieurs colonnes?

  • pd.DataFrame.pivot_table

    df.pivot_table(
        values='val0', index=['key', 'row'], columns=['item', 'col'],
        fill_value=0, aggfunc='mean')
    
    item      item0             item1                         item2                  
    col        col2  col3  col4  col0  col1  col2  col3  col4  col0  col1  col3  col4
    key  row                                                                         
    key0 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.86  0.00
         row2  0.00  0.00  0.37  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.50  0.00
         row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.00  0.00  0.00
         row4  0.15  0.64  0.00  0.00  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00
    key1 row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.81  0.00  0.65
         row2  0.35  0.00  0.00  0.00  0.00  0.44  0.00  0.00  0.00  0.00  0.00  0.13
         row3  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.28  0.00
         row4  0.00  0.00  0.00  0.00  0.10  0.00  0.00  0.00  0.00  0.00  0.00  0.00
    key2 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.40  0.00  0.00
         row2  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.13  0.00  0.00  0.00
         row4  0.00  0.00  0.00  0.00  0.00  0.64  0.88  0.00  0.00  0.00  0.00  0.00
    
  • pd.DataFrame.groupby

    df.groupby(
        ['key', 'row', 'item', 'col']
    )['val0'].mean().unstack(['item', 'col']).fillna(0).sort_index(1)
    
  • pd.DataFrame.set_index car l'ensemble de clés est unique pour les lignes et les colonnes

    df.set_index(
        ['key', 'row', 'item', 'col']
    )['val0'].unstack(['item', 'col']).fillna(0).sort_index(1)
    

Question 9

Puis-je agréger la fréquence à laquelle la colonne et les lignes apparaissent ensemble, c'est-à-dire «tabulation croisée»?

  • pd.DataFrame.pivot_table

    df.pivot_table(index='row', columns='col', fill_value=0, aggfunc='size')
    
        col   col0  col1  col2  col3  col4
    row                               
    row0     1     2     0     1     1
    row2     1     0     2     1     2
    row3     0     1     0     2     0
    row4     0     1     2     2     1
    
  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].size().unstack(fill_value=0)
    
  • pd.crosstab

    pd.crosstab(df['row'], df['col'])
    
  • pd.factorize + np.bincount

    # get integer factorization `i` and unique values `r`
    # for column `'row'`
    i, r = pd.factorize(df['row'].values)
    # get integer factorization `j` and unique values `c`
    # for column `'col'`
    j, c = pd.factorize(df['col'].values)
    # `n` will be the number of rows
    # `m` will be the number of columns
    n, m = r.size, c.size
    # `i * m + j` is a clever way of counting the 
    # factorization bins assuming a flat array of length
    # `n * m`.  Which is why we subsequently reshape as `(n, m)`
    b = np.bincount(i * m + j, minlength=n * m).reshape(n, m)
    # BTW, whenever I read this, I think 'Bean, Rice, and Cheese'
    pd.DataFrame(b, r, c)
    
          col3  col2  col0  col1  col4
    row3     2     0     0     1     0
    row2     1     2     1     0     2
    row0     1     0     1     2     1
    row4     2     2     0     1     1
    
  • pd.get_dummies

    pd.get_dummies(df['row']).T.dot(pd.get_dummies(df['col']))
    
          col0  col1  col2  col3  col4
    row0     1     2     0     1     1
    row2     1     0     2     1     2
    row3     0     1     0     2     0
    row4     0     1     2     2     1
    

Question 10

Comment convertir un DataFrame de long en large en pivotant sur SEULEMENT deux colonnes?

La première étape consiste à attribuer un numéro à chaque ligne - ce numéro sera l'index de ligne de cette valeur dans le résultat pivoté. Ceci est fait en utilisant GroupBy.cumcount:

df2.insert(0, 'count', df.groupby('A').cumcount())
df2

   count  A   B
0      0  a   0
1      1  a  11
2      2  a   2
3      3  a  11
4      0  b  10
5      1  b  10
6      2  b  14
7      0  c   7

La deuxième étape consiste à utiliser la colonne nouvellement créée comme index à appeler DataFrame.pivot.

df2.pivot(*df)
# df.pivot(index='count', columns='A', values='B')

A         a     b    c
count                 
0       0.0  10.0  7.0
1      11.0  10.0  NaN
2       2.0  14.0  NaN
3      11.0   NaN  NaN

Question 11

Comment aplatir l'index multiple en index unique après pivot

Si columnstapez objectavec une chaînejoin

df.columns = df.columns.map('|'.join)

autre format

df.columns = df.columns.map('{0[0]}|{0[1]}'.format) 
6 Ch3steR Jun 05 2020 at 23:08

Pour étendre la réponse de @ piRSquared à une autre version de la question 10

Question 10.1

Trame de données:

d = data = {'A': {0: 1, 1: 1, 2: 1, 3: 2, 4: 2, 5: 3, 6: 5},
 'B': {0: 'a', 1: 'b', 2: 'c', 3: 'a', 4: 'b', 5: 'a', 6: 'c'}}
df = pd.DataFrame(d)

   A  B
0  1  a
1  1  b
2  1  c
3  2  a
4  2  b
5  3  a
6  5  c

Production:

   0     1     2
A
1  a     b     c
2  a     b  None
3  a  None  None
5  c  None  None

Utilisation df.groupbyetpd.Series.tolist

t = df.groupby('A')['B'].apply(list)
out = pd.DataFrame(t.tolist(),index=t.index)
out
   0     1     2
A
1  a     b     c
2  a     b  None
3  a  None  None
5  c  None  None

Ou une bien meilleure alternative en utilisant pd.pivot_tableavecdf.squeeze.

t = df.pivot_table(index='A',values='B',aggfunc=list).squeeze()
out = pd.DataFrame(t.tolist(),index=t.index)